diff --git a/README.md b/README.md index 5b2743b..2b4edc2 100644 --- a/README.md +++ b/README.md @@ -89,8 +89,8 @@ **Spark Streaming ：** -1. [Spark Streaming简介](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Spark_Streaming与流处理.md) -2. DStream常用操作详解 +1. [Spark Streaming 简介](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Spark_Streaming与流处理.md) +2. [Spark Streaming 基本操作](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Spark_Streaming基本操作.md) 3. [Spark Streaming 整合 Flume](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Spark_Streaming整合Flume.md) 4. [Spark Streaming 整合 Kafka](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Spark_Streaming整合Kafka.md) diff --git a/notes/Spark_Streaming基本操作.md b/notes/Spark_Streaming基本操作.md index 9a5686b..efa0e69 100644 --- a/notes/Spark_Streaming基本操作.md +++ b/notes/Spark_Streaming基本操作.md @@ -1,8 +1,24 @@ # Spark Streaming 基本操作 + + ## 一、案例引入 -这里先引入一个基本的案例来演示流的创建：监听指定端口9999上的数据并进行词频统计。项目依赖和代码实现如下： +这里先引入一个基本的案例来演示流的创建：获取指定端口上的数据并进行词频统计。项目依赖和代码实现如下： ```xml @@ -36,8 +52,6 @@ object NetworkWordCount { } ``` -二、常用算子 - 使用本地模式启动Spark程序，然后使用`nc -lk 9999`打开端口并输入测试数据： ```shell @@ -46,24 +60,24 @@ hello world hello spark hive hive hadoop storm storm flink azkaban ``` -此时IDEA中控制台输出如下，可以看到已经接收到每一行数据并且进行了词频统计。 +此时控制台输出如下，可以看到已经接收到数据并按行进行了词频统计。 -![spark-streaming-word-count-v1](D:\BigData-Notes\pictures\spark-streaming-word-count-v1.png) +
-下面我们针对示例代码进行讲解： +下面针对示例代码进行讲解： ### 3.1 StreamingContext -Spark Streaming编程的入口类是StreamingContext，在创建时候需要指明`sparkConf`和`batchDuration`(批次时间)，Spark流处理本质是将流数据拆分为一个个批次，然后进行微批处理，batchDuration就是用于指定流数据将被分成批次的时间间隔。这个时间可以根据业务需求和服务器性能进行指定，如果业务要求低延迟，则这个时间可以指定得很短。 +Spark Streaming编程的入口类是StreamingContext，在创建时候需要指明`sparkConf`和`batchDuration`(批次时间)，Spark流处理本质是将流数据拆分为一个个批次，然后进行微批处理，batchDuration就是用于指定将流数据拆成批次的时间间隔。这个时间可以根据业务需求和服务器性能进行指定，如果业务要求低延迟并且服务器性能也允许，则这个时间可以指定得很短。 -这里需要注意的是：示例代码使用的是本地模式，配置为`local[2]`，这里不能配置为`local[1]`。这是因为对于流数据的处理，Spark必须有一个独立的Executor来接收数据，然后由其他的Executors来处理数据，所以为了保证数据能够被处理，至少要有2个Executors。这里我们的程序只有一个数据流，在并行读取多个数据流的时候，也要注意必须保证有足够的Executors来接收和处理数据。 +这里需要注意的是：示例代码使用的是本地模式，配置为`local[2]`，这里不能配置为`local[1]`。这是因为对于流数据的处理，Spark必须有一个独立的Executor来接收数据，然后再由其他的Executors来处理，所以为了保证数据能够被处理，至少要有2个Executors。这里我们的程序只有一个数据流，在并行读取多个数据流的时候，也需要保证有足够的Executors来接收和处理数据。 ### 3.2 数据源 在示例代码中使用的是`socketTextStream`来创建基于socket的数据流，实际上Spark还支持多种数据源，分为以下两类： -+ 基本数据源：文件系统、socket的连接； -+ 高级数据源：Kafka，Flume，Kinesis。 ++ 基本数据源：包括文件系统、socket连接等； ++ 高级数据源：包括Kafka，Flume，Kinesis等。 在基本数据源中，Spark支持对HDFS上指定目录进行监听，当有新文件加入时，会获取其文件内容作为输入流。创建方式如下： @@ -84,17 +98,17 @@ streamingContext.fileStream[KeyClass, ValueClass, InputFormatClass](dataDirector -## 二、updateStateByKey +## 二、Transformation ### 2.1 DStream与RDDs -DStream是Spark Streaming提供的基本抽象。它表示连续的数据流。在内部，DStream由一系列连续的RDD表示。所以从本质上而言，应用于DStream的任何操作都会转换为底层RDD上的操作。例如，在示例代码中的flatMap算子操作实际上是作用在每个RDDs上(如下图)。因为这个原因，所以Spark Streaming能够支持RDD大多数的transformation算子。 +DStream是Spark Streaming提供的基本抽象。它表示连续的数据流。在内部，DStream由一系列连续的RDD表示。所以从本质上而言，应用于DStream的任何操作都会转换为底层RDD上的操作。例如，在示例代码中flatMap算子的操作实际上是作用在每个RDDs上(如下图)。因为这个原因，所以DStream能够支持RDD的大部分transformation算子。 -![spark-streaming-dstream-ops](D:\BigData-Notes\pictures\spark-streaming-dstream-ops.png) +
### 2.2 updateStateByKey -除了支持RDD上大多数的transformation算子外，DStream还有部分独有的算子，这当中比较重要的是`updateStateByKey`。文章开头的词频统计程序，只能统计每一次输入文本中单词出现的数量，想要统计所有历史输入中单词出现的数量，就需要依赖`updateStateByKey`算子。代码如下： +除了能够支持RDD的大多数transformation算子外，DStream还有部分独有的算子，这当中比较重要的是`updateStateByKey`。文章开头的词频统计程序，只能统计每一次输入文本中单词出现的数量，想要统计所有历史输入中单词出现的数量，可以使用`updateStateByKey`算子。代码如下： ```scala object NetworkWordCountV2 { @@ -140,6 +154,8 @@ object NetworkWordCountV2 { ### 2.3 启动测试 +在监听端口输入如下测试数据： + ```shell [root@hadoop001 ~]# nc -lk 9999 hello world hello spark hive hive hadoop @@ -148,11 +164,11 @@ hello world hello spark hive hive hadoop storm storm flink azkaban ``` -控制台输出如下，可以看到每一次输入的结果都被进行了累计求值。 +此时控制台输出如下，所有输入都被进行了词频累计： -![spark-streaming-word-count-v2](D:\BigData-Notes\pictures\spark-streaming-word-count-v2.png) +
-同时查看在输出日志中还可以看到检查点操作的相关信息： +同时在输出日志中还可以看到检查点操作的相关信息： ```shell # 保存检查点信息 @@ -168,6 +184,8 @@ Deleting hdfs://hadoop001:8020/spark-streaming/checkpoint-1558945265000 ### 3.1 输出API +Spark Streaming支持以下输出操作： + | Output Operation | Meaning | | :------------------------------------------ | :----------------------------------------------------------- | | **print**() | 在运行流应用程序的driver节点上打印DStream中每个批次的前十个元素。用于开发调试。 | @@ -176,10 +194,11 @@ Deleting hdfs://hadoop001:8020/spark-streaming/checkpoint-1558945265000 | **saveAsHadoopFiles**(*prefix*, [*suffix*]) | 将此DStream的内容保存为Hadoop文件。每个批处理间隔的文件名基于前缀和后缀生成：“prefix-TIME_IN_MS [.suffix]”。 | | **foreachRDD**(*func*) | 最通用的输出方式，它将函数func应用于从流生成的每个RDD。此函数应将每个RDD中的数据推送到外部系统，例如将RDD保存到文件，或通过网络将其写入数据库。 | +前面的四个API都是直接调用即可，下面主要讲解通用的输出方式`foreachRDD(func)`，通过该API你可以将数据保存到任何你需要的数据源。 ### 3.1 foreachRDD -这里我们使用Redis作为客户端，对文章开头示例程序进行改变，把每一次词频统计的结果写入到Redis,利用Redis的`HINCRBY`命令来进行总次数的统计。相关依赖和实现代码如下： +这里我们使用Redis作为客户端，对文章开头示例程序进行改变，把每一次词频统计的结果写入到Redis，并利用Redis的`HINCRBY`命令来进行词频统计。这里需要导入Jedis依赖： ```xml @@ -189,7 +208,7 @@ Deleting hdfs://hadoop001:8020/spark-streaming/checkpoint-1558945265000 ``` -实现代码如下: +具体实现代码如下: ```scala import org.apache.spark.SparkConf @@ -208,6 +227,7 @@ object NetworkWordCountToRedis { val lines = ssc.socketTextStream("hadoop001", 9999) val pairs: DStream[(String, Int)] = lines.flatMap(_.split(" ")) .map(x => (x, 1)).reduceByKey(_ + _) + /*保存数据到Redis*/ pairs.foreachRDD { rdd => rdd.foreachPartition { partitionOfRecords => var jedis: Jedis = null @@ -222,7 +242,6 @@ object NetworkWordCountToRedis { } } } - ssc.start() ssc.awaitTermination() } @@ -263,7 +282,7 @@ public class JedisPoolUtil { ### 3.3 代码说明 -这里将上面输出操作的代码单独抽取出来，并去除异常判断的部分，精简后的代码如下： +这里将上面保存到Redis的代码单独抽取出来，并去除异常判断的部分。精简后的代码如下： ```scala pairs.foreachRDD { rdd => @@ -275,7 +294,7 @@ pairs.foreachRDD { rdd => } ``` -这里可以看到一共使用了三次循环，分别是循环RDD，循环分区，循环每条记录，上面我们的代码是在循环分区的时候获取连接，也就是为每一个分区获取一个连接。但是这里大家可能会有疑问：为什么不在循环RDD的时候，为每一个RDD获取一个连接，这样所需要的连接数更少。实际上这是不可以的，如果按照这种情况进行改写，如下： +这里可以看到一共使用了三次循环，分别是循环RDD，循环分区，循环每条记录，上面我们的代码是在循环分区的时候获取连接，也就是为每一个分区获取一个连接。但是这里大家可能会有疑问：为什么不在循环RDD的时候，为每一个RDD获取一个连接，这样所需要的连接数可以更少。实际上这是不可行的，如果按照这种情况进行改写，如下： ```scala pairs.foreachRDD { rdd => @@ -287,13 +306,13 @@ pairs.foreachRDD { rdd => } ``` -此时在执行时候就会抛出`Caused by: java.io.NotSerializableException: redis.clients.jedis.Jedis`，这是因为 +此时在执行时候就会抛出`Caused by: java.io.NotSerializableException: redis.clients.jedis.Jedis`，这是因为在实际计算时，Spark会将对RDD操作分解为多个Task，Task则运行在具体的Worker Node上。在执行之前，Spark会对任务进行闭包，之后闭包被序列化并发送给每个Executor，这同时也是产生累加器和广播变量的原因。正式因为要执行序列化，而`Jedis`显然是不能被序列化的，所以会抛出异常。 -第二个需要注意的是ConnectionPool最好是一个静态，惰性初始化连接池 。这是因为Spark的转换操作本生就是惰性的，且没有数据流时是不会触发写出操作，故出于性能考虑，连接池应该是惰性静态的，所以上面`JedisPool`在初始化时采用了懒汉式单例进行初始化。 +第二个需要注意的是ConnectionPool最好是一个静态，惰性初始化连接池 。这是因为Spark的转换操作本身就是惰性的，且没有数据流时是不会触发写出操作，故出于性能考虑，连接池应该是惰性的，所以上面`JedisPool`在初始化时采用了懒汉式单例进行惰性初始化。 +### 3.4 启动测试 - -### 3.3 启动测试 +在监听端口输入如下测试数据： ```shell [root@hadoop001 ~]# nc -lk 9999 @@ -305,7 +324,14 @@ storm storm flink azkaban 使用Redis Manager查看写入结果(如下图),可以看到与使用`updateStateByKey`算子得到的计算结果相同。 -![spark-streaming-word-count-v2](D:\BigData-Notes\pictures\spark-streaming-word-count-v3.png) +
+> 本片文章所有源码见本仓库：[spark-streaming-basis](https://github.com/heibaiying/BigData-Notes/tree/master/code/spark/spark-streaming-basis) + + + +## 参考资料 + +1. http://spark.apache.org/docs/latest/streaming-programming-guide.html \ No newline at end of file